رمزگذاری پراکنده ( Sparse Coding ) یک روش یادگیری بازنمایی ( representational learning ) است که سعی بر یافتن نمایش پراکنده ای از داده های ورودی ( همچنین شناخته شده به عنوان رمزگذاری پراکنده یا Sparse Coding ) به صورت ترکیب خطی ای از مولفه های تشکیل دهنده آن ها دارد. به این مولفه ها اتم گفته می شود و در کنار یکدیگر یک لغت نامه ( ِdictionary ) تشکیل می دهند. اتم های موجود در هر لغت نامه لزوما متعامد نیستند، و ممکن است یک مجموعه پوشای بیش از حد کامل ( over - complete spanning set ) باشند. شرایط این مسئله همچنین اجازه می دهد ابعاد سیگنال های نمایش داده شده از سیگنال های مشاهده شده بیشتر باشد. این دو ویژگی باعث وجود اتم های به ظاهر بدون استفاده می شوند ولی در عین حال، پراکندگی و انعطاف پذیری نمایش را بهبود می بخشند.
یکی از مهم ترین کاربردهای یادگیری دیکشنری پراکنده در حوزه سنجش فشرده و بازیابی سیگنال است. در سنجش فشرده، یک سیگنال با ابعاد بالا می تواند در صورت پراکنده یا تقریبا پراکنده بودن، تنها با چند اندازه گیری خطی بازیابی شود. از آنجایی که همه سیگنال ها این شرط را ارضا نمی کنند، یافتن نمایش پراکنده ای از آن سیگنال مانند تبدیل موجک یا گرادیان جهتی یک ماتریس شطرنجی شده، از اهمیت ویژه ای برخوردار است.
یکی از مهم ترین ارکان یادگیری لغت نامه به دست آوردن لغت نامه از داده ورودی است. روش های یادگیری لغت نامه پراکنده به علت نیاز به نمایش داده های ورودی برحسب کمترین مولفه های ممکن در پردازش سیگنال، به وجود آمدند. پیش از این روش ، استفاده از لغت نامه های از پیش تعریف شده مانند تبدیل فوریه و تبدیل موجک مرسوم بودند. با این حال، استفاده از لغت نامه هایی که روی داده های ورودی آموزش داده شده اند می تواند پراکندگی را به شدت افزایش دهد، که از کاربردهای آن می توان به در تجزیه، فشرده سازی و تحلیل داده اشاره کرد و در زمینه های کاهش نویز، دسته بندی در بینایی ماشین و پردازش سیگنال های صوتی، استفاده شده است.
با داشتن داده ورودی X = , x i ∈ R d می خواهیم دیکشنری D ∈ R d × n : D = و نمایش R ∈ R n : R = را طوری به دست آوریم که ‖ X − D R ‖ F 2 هم کمینه و هم تا حد ممکن پراکنده ( sparse ) باشد. این مسئله به صورت زیر بهینه سازی زیر فرمول بندی می شود:
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفیکی از مهم ترین کاربردهای یادگیری دیکشنری پراکنده در حوزه سنجش فشرده و بازیابی سیگنال است. در سنجش فشرده، یک سیگنال با ابعاد بالا می تواند در صورت پراکنده یا تقریبا پراکنده بودن، تنها با چند اندازه گیری خطی بازیابی شود. از آنجایی که همه سیگنال ها این شرط را ارضا نمی کنند، یافتن نمایش پراکنده ای از آن سیگنال مانند تبدیل موجک یا گرادیان جهتی یک ماتریس شطرنجی شده، از اهمیت ویژه ای برخوردار است.
یکی از مهم ترین ارکان یادگیری لغت نامه به دست آوردن لغت نامه از داده ورودی است. روش های یادگیری لغت نامه پراکنده به علت نیاز به نمایش داده های ورودی برحسب کمترین مولفه های ممکن در پردازش سیگنال، به وجود آمدند. پیش از این روش ، استفاده از لغت نامه های از پیش تعریف شده مانند تبدیل فوریه و تبدیل موجک مرسوم بودند. با این حال، استفاده از لغت نامه هایی که روی داده های ورودی آموزش داده شده اند می تواند پراکندگی را به شدت افزایش دهد، که از کاربردهای آن می توان به در تجزیه، فشرده سازی و تحلیل داده اشاره کرد و در زمینه های کاهش نویز، دسته بندی در بینایی ماشین و پردازش سیگنال های صوتی، استفاده شده است.
با داشتن داده ورودی X = , x i ∈ R d می خواهیم دیکشنری D ∈ R d × n : D = و نمایش R ∈ R n : R = را طوری به دست آوریم که ‖ X − D R ‖ F 2 هم کمینه و هم تا حد ممکن پراکنده ( sparse ) باشد. این مسئله به صورت زیر بهینه سازی زیر فرمول بندی می شود:
